用于多视图立体匹配的曲率引导动态尺度网络
计算机视觉与模式识别
2022-03-11 v3 人工智能
图形学
摘要
多视图立体（MVS）是精确三维重建中的关键任务。近期多数研究试图通过设计聚合的 3D 代价体及其正则化来改进 MVS 中匹配代价体的性能。本文聚焦于学习一个鲁棒的特征提取网络，以在不加重其他步骤计算量的前提下增强匹配代价的性能。具体地，我们提出一种动态尺度特征提取网络，即 CDSFNet。它由多个新颖卷积层组成，每一层都能在图像曲面法向曲率引导下为每个像素选择合适的块尺度。因此，CDFSNet 可估计最优块尺度以学习判别性特征，用于参考图像与源图像间的准确匹配计算。通过将鲁棒提取的特征与恰当的代价构造策略结合，我们所得到的 MVS 架构能更精确地估计深度图。大量实验表明，所提方法在复杂室外场景上优于其他 SOTA 方法，显著提升了重建模型的完整性，且能以更快运行时间与更低内存处理更高分辨率输入。我们的源代码见 url{https://github.com/TruongKhang/cds-mvsnet}。
引用
@article{arxiv.2112.05999,
title = {Curvature-guided dynamic scale networks for Multi-view Stereo},
author = {Khang Truong Giang and Soohwan Song and Sungho Jo},
journal= {arXiv preprint arXiv:2112.05999},
year = {2022}
}
备注
Accepted to ICLR 2022